Sztuczna inteligencja może pomóc biologom w klasyfikowaniu maleńkich stworzeń na świecie

Ponieważ bioróżnorodność spada na całym świecie, naukowcy desperacko pragną skatalogować wszystkie ziemskie owady i inne bezkręgowce, które stanowią 90% z 9 milionów gatunków, które nie zostały jeszcze nazwane. Aby to zrobić, naukowcy zazwyczaj spędzają wiele godzin w laboratorium na sortowaniu zebranych próbek.

Wejdź do DiversityScanner. Podejście to wykorzystuje robota, który wyciąga pojedyncze owady i inne małe stworzenia po kolei z tacek i fotografuje je. Komputer następnie wykorzystuje rodzaj sztucznej inteligencji znanej jako uczenie maszynowe, aby porównać nogi, czułki i inne cechy każdego z nich do znanych okazów.

Następnie technologia ta nakłada na obraz kod kolorystyczny lub mapę cieplną (patrz wyżej). Im cieplejszy kolor, powiedzmy, czerwony, tym bardziej program komputerowy zależał od tej części ciała, aby rozpoznać rodzaj owada. Ta mapa ciepła ułatwia badaczom sprawdzającym identyfikację zobaczyć, jaki był proces “myślowy” programu.

Następnie robot przenosi każdego owada na płytkę z 96 malutkimi dołkami, przygotowując te próbki do sekwencjonowania DNA. Powstały fragment sekwencji identyfikujący gatunek – „kod kreskowy DNA” – jest połączony z obrazem w bazie danych wszystkich skatalogowanych okazów.

Chociaż nie jest tak dobry, jak ludzki ekspert, podejście dokładnie klasyfikuje owady w 91% przypadków, projektanci technologii raportują w badaniu opublikowanym na serwerze bioRxiv. Zauważają, że dokładność poprawi się, gdy do bazy danych zostanie dodanych więcej okazów.

Naukowcy udostępnili oprogramowanie i plany drukowania 3D dla tej technologii. I, jak opisują naukowcy w drugim wstępnym druku, uprościli etapy sekwencjonowania i oprogramowanie, aby kraje rozwijające się i małe organizacje mogły z tego skorzystać – 96 owadów na raz.

Źródło: Elizabeth Pennisi

MinION barcodes: biodiversity discovery and identification by everyone, for everyone

DiversityScanner: Robotic discovery of small invertebrates with machine learning methods

Zdjęcie: MATTHIAS GIERSCH

Subscribe
Powiadom o
guest
0 komentarzy
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x